CN109193754A - 一种分布式光伏规划方法及*** - Google Patents
一种分布式光伏规划方法及*** Download PDFInfo
- Publication number
- CN109193754A CN109193754A CN201811019913.2A CN201811019913A CN109193754A CN 109193754 A CN109193754 A CN 109193754A CN 201811019913 A CN201811019913 A CN 201811019913A CN 109193754 A CN109193754 A CN 109193754A
- Authority
- CN
- China
- Prior art keywords
- scene
- population
- outer layer
- power supply
- photo
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000009826 distribution Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 41
- 238000005286 illumination Methods 0.000 claims description 20
- 230000005611 electricity Effects 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 14
- 230000006872 improvement Effects 0.000 claims description 7
- 239000012141 concentrate Substances 0.000 claims description 6
- 231100000219 mutagenic Toxicity 0.000 claims description 6
- 230000003505 mutagenic effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005381 potential energy Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000008929 regeneration Effects 0.000 claims description 4
- 238000011069 regeneration method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000006477 desulfuration reaction Methods 0.000 claims description 3
- 230000023556 desulfurization Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 claims 42
- 239000002355 dual-layer Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 claims 1
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- PVXVWWANJIWJOO-UHFFFAOYSA-N 1-(1,3-benzodioxol-5-yl)-N-ethylpropan-2-amine Chemical compound CCNC(C)CC1=CC=C2OCOC2=C1 PVXVWWANJIWJOO-UHFFFAOYSA-N 0.000 description 1
- QMMZSJPSPRTHGB-UHFFFAOYSA-N MDEA Natural products CC(C)CCCCC=CCC=CC(O)=O QMMZSJPSPRTHGB-UHFFFAOYSA-N 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H02J3/383—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
Abstract
一种分布式光伏规划方法及***,方法包括获取配电网***参数;将所述电网***参数代入预先建立的双层规划模型,采用分子微分进化算法进行求解,以求解结果作为规划方案;其中所述双层规划模型包括外层规划模型和内层规划模型,所述外层规划模型为以投资者对分布式光伏电源的年净收益最大为目标,所述内层规划模型以分布式光伏电源的年消纳率最大为目标。***包括数据获取模块和计算模块。本发明运用了分子微分进化算法来求解双层多场景规划模型,具有收敛速度快,局部搜索能力强的优点,又能提高种群的多样性,增强其全局寻优能力。本发明分布式光伏规划方法可为配电网中分布式光伏电源的合理规划提供科学指导。
Description
技术领域
本发明涉及一种分布式光伏规划方法及***,属电力新能源规划技术领域。
背景技术
分布式光伏作为一种清洁能源,接入配电网中不仅可以有效缓解当地的电力紧张格局,还能为光伏投资者带来收益。然而由于传统光伏电源规划时未计及光伏的消纳率,外加国家补贴政策的激励以及不断下降的光伏电源安装成本等因素,常会使得配电网中光伏电源的容量规划值过高。在实际运行中光伏电源渗透率过高往往会使得光伏上网电量过多,导致配电网中出现节点电压越限、***潮流倒送等电能质量问题。为了确保配电网***能够安全稳定地运行,光伏电源常被要求弃光限电来减少其上网电量,结果既造成了能源的浪费,又会导致投资者的收益受损和投资的积极性下降。现有规划模型默认了分布式电源所发出的电量能被全额消纳,实际上在对分布式电源进行规划时,如果忽略了其消纳率,则会导致规划结果存在较大的偏差。
发明内容
本发明的目的是,为了克服现有技术存在的上述缺陷,本发明提出了一种分布式光伏规划方法及***,使得分布式光伏电源容量规划更为合理准确,减少限电弃光现象的发生,同时提高了投资者的收益。
实现本发明目的的技术方案是,一种分布式光伏规划方法,包括获取配电网***参数;将所述电网***参数代入预先建立的双层规划模型,采用分子微分进化算法进行求解,以求解结果作为规划方案;其中所述双层规划模型包括外层规划模型和内层规划模型,所述外层规划模型为以投资者对分布式光伏电源的年净收益最大为目标,所述内层规划模型以分布式光伏电源的年消纳率最大为目标。
所述分子微分进化算法对双层规划模型求解,其步骤如下:
(1)取配电网***线路参数,以及全年的负荷和光照强度数据;采用所述改进K-均值聚类法对全年的“负荷-光照强度”场景进行缩减,得到缩减后指定数量场景的负荷和光照强度数据及其对应的概率;
(2)设置外层分子微分进化算法的基本参数,其中包括种群的规模NP、维度D,最大迭代次数Gmax、分子间的临界距离r0、变异因子F以及交叉因子CR,令外层进化代数G=0;对外层规划模型中的种群变量即光伏电源的安装容量进行初始化,初始种群为S=[X1,X2,…,XNP],其中的第i个种群个体表示为Xi=[xi,1,xi,2,…,xi,D],第i个个体各维的数据随机产生:
其中,d=1,2,…,D;randi(·)为产生均匀分布的随机整数函数;而L则为分布式光伏电源的单位额定容量;xd,max为第d维数据的最大值,xd,min为第d维数据的最小值;
(3)将外层规划模型中的光伏电源安装容量值传递到内层,设置内层分子微分进化算法的基本参数,参数类型与外层相同;求解内层规划模型中内层目标函数的最大值;最后计算出种群个体每个场景对应的消纳量然后传递回外层规划模型;
(4)根据外层光伏电源的初始容量并结合内层中求解的光伏消纳量计算外层规划模型的初始目标函数值;
(5)计算G=G+1,对外层种群进行变异、交叉以及校核操作来更新种群;
(6)种群变异,根据构造的变异机制对每个目标向量Xi,G进行变异,产生变异向量Yi,G+1;
Yi,G+1=Xbest,G+F(Xr1,G-Xr2,G+Vr1,r2,G);
其中,Xbest,G为进化到第G代时种群的最优个体向量;Xr1,G、Xr2,G分别为第G代时的第r1、r2个个体向量,且i≠best≠r1≠r2;F为变异因子;Vr1,r2,G为第G代时种群个体之间的作用势能;
其中,εr1,r2,d为进化到第G代时种群个体向量之间的维差距;ε0为分子间的临界距离;vr1,r2,d为种群个体在d维度时的作用势能;εd为进化到第G代时种群个体向量之间的维差距;
(7)种***叉,将外层种群的变异向量Yi,G+1与目标向量Xi,G的各维分量进行随机重组,产生新向量Zi,G+1;
其中,R为[0,1]之间的随机数;CR为交叉因子;zi,d为新向量Zi,G+1第i个个体d维数据;xi,d为第i个种群个体d维数据;yi,d为变异向量第i个个体d维数据;
(8)种群校核,变异交叉操作后部分种群个体可能会出现越界的情况,按下式进行校核:
(9)种群选择,计算校核后的外层种群目标函数值,此时需要再次进入内层规划模型中进行寻优,方法参考步骤(3),最后按照下式做出贪婪选择:
(10)若G<Gmax,则返回到步骤(5),进入下一次循环;否则终止寻优过程,输出外层目标的最优值以及相应的光伏电源最佳规划方案。
所述采用改进K-均值聚类法对全年的场景进行缩减,采用如下步骤:
(1)假设用ωi(i=1,2,…,8760)表示缩减前全年不同时段的“负荷-光照强度”场景,ωi=[ωi,1,ωi,2],ωi,1、ωi,2分别表示为i时刻的负荷和光照强度值,K则为指定的缩减场景数;分别计算全年场景集中每个场景与剩余场景的距离di,j、每个场景的平均差异度Mi,ave和全年场景集的总体平均差异度Mave:
其中,j=1,2,….,8760,且i与j不相等;
(2)将平均差异度最大的场景为第一个聚类中心,并从全年场景集中删掉该场景;
(3)继续寻找剩余场景集中平均差异度最大的场景,作为待选聚类中心,计算其与已选取的聚类中心的距离,并将该场景从全年场景集中删除;
(4)如果步骤(3)中待选为聚类中心的场景与各个已选的聚类中心的距离均大于全年场景集的总体平均差异度,则此场景可作为聚类中心,否则返回到步骤(3);
(5)如果聚类中心数达到K,则将K个聚类中心存入聚类中心集合Tc={ωk}(k=1,2,…,K),否则返回到步骤(3);
(6)在得到聚类中心集合Tc后,接下来确定剩余场景的集合Tm={ωs}(s=1,2,…,8760-K),然后分别计算剩余各场景到各个聚类中心的距离,形成距离矩阵D:
D=D(ωs,ωk)=||ωs-ωk||;
(7)根据距离的大小将剩余各场景重新归类到距离自己最近的聚类中心,此时可以得到K个同类的场景聚类集合Ck(k=1,2,…,K);
(8)依次计算K个同类的场景聚类集合Ck中的每个场景与剩余场景的距离之和,然后以最小距离之和值对应的场景ωk为新的聚类中心;
(9)重复步骤(6)-(8),直到K个聚类中心不再变化为止,结束场景缩减过程;此时聚类后的每个场景概率为同类场景的概率之和。
所述外层规划模型,其目标函数表示为:
其中,pi为场景i发生的概率;N为安装光伏电源的位置总数;rs、rz、rb分别表示为火电机组脱硫电价、用户购电电价以及国家补贴电价;Psj,i、Pzj,i分别表示为i场景下位置j处上网的光伏电量和供给用户的光伏电量;Sj为光伏电源在位置j处安装的额定容量值;C0为单位安装容量成本;γ0为折现率;n为光伏电源使用寿命;μ0为运行维护率;
外层规划模型的约束条件为分布式光伏电源安装容量约束为:
Sj,min≤Sj≤Sj,max
其中,Sj,min、Sj,max分别表示为位置j处所安装光伏电源容量的下限和上限。
所述内层规划模型,在外层光伏电源容量确定的基础上,考虑配电网运行约束条件,以光伏年消纳率最大化为目标对光伏电源上网有功出力进行优化削减,由此确定各光伏电源的最优出力值,并传递回外层规划模型用于计算光伏电源年净收益目标值。
所述内层规划模型的目标函数表示为:
其中,Pxj,i表示为i场景下位置j处的光伏电源上网的有功出力削减量;PGj,i为i场景下位置j处的光伏电源的有功功率,采用如下计算方法计算PGj,i:
其中,Ei为i场景下的光照强度,Es为额定光照强度;Sj为光伏电源在位置j处安装的额定容量值。
所述内层规划模型的约束条件表示为:
(1)配电网***潮流方程等式约束:
其中,Pj,i、Qj,i分别为i场景下位置j处注入的有功出力和无功出力;Uj,i为i场景下位置j处的电压值;Uk,i分别为i场景下位置k处的电压值;NL为配电网节点总数;Gj,k表示为配电网位置j和位置k之间的电导值;Bj,k表示为配电网位置j和位置k之间的电纳值;δj,k为位置j和位置k之间的电压相角差。
(2)配电网***电压约束:
Uj,min≤Uj,i≤Uj,max
其中,Uj,min、Uj,max分别为位置j处电压允许值的下限和上限。
(3)配电网导线支路传输电流约束:
Il,i≤Il,max,l∈Ω
其中,Il,i为i场景下第l条支路流过的电流;Ω为配电网***线路的集合;Il,max为第l条支路允许流过电流的最大值。
(4)光伏电源上网的有功出力削减量约束:
0≤Pxj,i≤PGj,i-PLj,i
其中,PLj,i分别为i场景下位置j处的有功负荷。
(5)配电网反向潮流约束:
其中,PD,i、QD,i分别表示为i场景下位置j之后的有功功率和无功功率;QGj,i表示为i场景下位置j处的光伏电源的无功功率;Qxj,i表示为i场景下位置j处的光伏电源的无功出力削减量;QLj,i分别为i场景下位置j处的无功负荷。
一种分布式光伏规划***,包括:
数据获取模块,用于获取配电网***参数。
计算模块,与所述数据获取模块连接,将所述电网***参数代入预先建立的双层规划模型采用分子微分进化算法进行求解,以求解结果作为规划方案。
其中,所述双层规划模型包括外层规划模型和内层规划模型,所述外层规划模型为以投资者对分布式光伏电源的年净收益最大为目标,所述内层规划模型以分布式光伏电源的年消纳率最大为目标。
本发明的有益效果是,本发明在对光伏电源的安装容量进行规划时,充分考虑光伏的消纳率,可以减少实际运行中光伏电源的弃光限电问题,显著提高投资者的年净收益。本发明采用改进K-均值聚类法对全年的场景进行缩减,有效改善了传统K-均值聚类法存在随机选取初始聚类中心而导致聚类结果不精确的缺点,提高了聚类场景的拟合精度,减少了双层规划模型的计算量。在求解算法上,本发明运用了分子微分进化算法来求解双层多场景规划模型,与DEA/best和DEA/rand相比,MDEA既具有收敛速度快,局部搜索能力强的优点,同时又能提高种群的多样性,增强其全局寻优能力,兼顾了种群个体寻优的速度和深度。
本发明一种分布式光伏规划方法及***可为配电网中分布式光伏电源的合理规划提供科学指导。
附图说明
图1为本发明分布式光伏规划方法的流程框图。
具体实施方式
本发明的具体实施方式如图1所示。
本实施例一种分布式光伏规划方法实施如以下计算步骤:
1、采用改进K-均值聚类法对全年的场景进行缩减,采用如下步骤:
(1)假设用ωi(i=1,2,…,8760)表示缩减前全年不同时段的“负荷-光照强度”场景,ωi=[ωi,1,ωi,2],ωi,1、ωi,2分别表示为i时刻的负荷和光照强度值,K则为指定的缩减场景数。分别计算全年场景集中每个场景与剩余场景的距离di,j以及每个场景的平均差异度Mi,ave和全年场景集的总体平均差异度Mave。
其中,j=1,2,…,8760,且i与j不相等。
(2)将平均差异度最大的场景为第一个聚类中心,并从全年场景集中删掉该场景。
(3)继续寻找剩余场景集中平均差异度最大的场景,作为待选聚类中心,计算其与已选取的聚类中心的距离,并将该场景从全年场景集中删除。
(4)如果步骤(3)中待选为聚类中心的场景与各个已选的聚类中心的距离均大于全年场景集的总体平均差异度,则此场景可作为聚类中心,否则返回到步骤(3)。
(5)如果聚类中心数达到K,则将K个聚类中心存入聚类中心集合Tc={ωk}(k=1,2,…,K),否则返回到步骤(3)。
(6)在得到聚类中心集合Tc后,接下来确定剩余场景的集合Tm={ωs}(s=1,2,…,8760-K),然后分别计算剩余各场景到各个聚类中心的距离,形成距离矩阵D。
D=D(ωs,ωk)=||ωs-ωk||
(7)根据距离的大小将剩余各场景重新归类到距离自己最近的聚类中心,此时可以得到K个同类的场景聚类集合Ck(k=1,2,…,K)。
(8)依次计算K个同类的场景聚类集合Ck中的每个场景与剩余场景的距离之和,然后以最小距离之和值对应的场景ωk为新的聚类中心。
(9)重复步骤(6)-(8),直到K个聚类中心不再变化为止,结束场景缩减过程;此时聚类后的每个场景概率为同类场景的概率之和。
2、外层规划模型的目标函数表示为:
其中,pi为场景i发生的概率;N为安装光伏电源的位置总数;rs、rz、rb分别表示为火电机组脱硫电价、用户购电电价以及国家补贴电价;Psj,i、Pzj,i分别表示为i场景下位置j处上网的光伏电量和供给用户的光伏电量;Sj为光伏电源在位置j处安装的额定容量值;C0为单位安装容量成本;γ0为折现率;n为光伏电源使用寿命;μ0为运行维护率。
外层规划模型的约束条件为分布式光伏电源安装容量约束:
Sj,min≤Sj≤Sj,max
其中,Sj,min、Sj,max分别表示为位置j处所安装光伏电源容量的下限和上限。
3、内层规划模型的目标函数及其约束条件
内层规划模型在外层光伏电源容量确定的基础上,考虑配电网运行约束条件,以光伏年消纳率最大化为目标对光伏电源上网有功出力进行优化削减,由此确定各光伏电源的最优出力值,并传递回外层规划模型用于计算光伏电源年净收益目标值。
内层规划模型的目标函数表示为:
Pxj,i表示为i场景下位置j处的光伏电源上网的有功出力削减量;PGj,i为i场景下位置j处的光伏电源的有功功率,采用如下计算方法计算PGj,i:
其中,Ei为i场景下的光照强度,ES为额定光照强度。
内层规划模型的约束条件表示为:
(1)配电网***潮流方程等式约束:
其中,Pj,i、Qj,i分别为i场景下位置j处注入的有功出力和无功出力;Uj,i、Uk,i分别为i场景下位置j处和位置k处的电压值;NL为配电网节点总数;Gj,k、Bj,k分别表示为配电网位置j和位置k之间的电导和电纳值;δj,k为位置j和位置k之间的电压相角差。
(2)配电网***电压约束:
Uj,min≤Uj,i≤Uj,max
其中,Uj,min、Uj,max分别为位置j处电压允许值的下限和上限。
(3)配电网导线支路传输电流约束:
Il,i≤Il,max,l∈Ω
其中,Il,i为i场景下第l条支路流过的电流;Ω为配电网***线路的集合;Il,max为第l条支路允许流过电流的最大值。
(4)光伏电源上网的有功出力削减量约束:
0≤Pxj,i≤PGj,i-PLj,i
其中,PLj,i分别为i场景下位置j处的有功负荷。
(5)配电网反向潮流约束:
其中,PD,i、QD,i分别表示为i场景下位置j之后的有功功率和无功功率;QGj,i表示为i场景下位置j处的光伏电源的无功功率;Qxj,i表示为i场景下位置j处的光伏电源的无功出力削减量;QLj,i分别为i场景下位置j处的无功负荷。
4、采用分子微分进化算法对双层规划模型进行求解,其步骤如下:
(1)获取配电网***线路参数,以及全年的负荷和光照强度数据。采用改进K-均值聚类法对全年的“负荷-光照强度”场景进行缩减,得到缩减后指定数量场景的负荷和光照强度数据及其对应的概率。
(2)设置外层分子微分进化算法的基本参数,其中包括种群的规模NP、维度D,最大迭代次数Gmax、分子间的临界距离r0、变异因子F以及交叉因子CR等,令外层进化代数G=0。对外层规划模型中的种群变量即光伏电源的安装容量进行初始化,初始种群为S=[X1,X2,…,XNP],其中的第i个种群个体表示为Xi=[xi,1,xi,2,…,xi,D],第i个个体各维的数据随机产生。
其中,d=1,2,…,D;randi(·)为产生均匀分布的随机整数函数;而L则为分布式光伏电源的单位额定容量;xd,max为第d维数据的最大值,xd,min为第d维数据的最小值。
(3)将外层规划模型中的光伏电源安装容量值传递到内层,设置内层分子微分进化算法的基本参数,参数类型与外层相同。求解内层目标函数的最大值。最后计算出种群个体每个场景对应的消纳量然后传递回外层规划模型。
(4)根据外层光伏电源的初始容量并结合内层中求解的光伏消纳量计算外层规划模型的初始目标函数值。
(5)计算G=G+1,对外层种群进行变异、交叉以及校核操作来更新种群。
(6)种群变异。根据构造的变异机制对每个目标向量Xi,G进行变异,产生变异向量Yi,G+1:
Yi,G+1=Xbest,G+F(Xr1,G-Xr2,G+Vr1,r2,G)
其中,Xbest,G为进化到第G代时种群的最优个体向量;Xr1,G、Xr2,G分别为第G代时的第r1、r2个个体向量,且i≠best≠r1≠r2;F为变异因子;Vr1,r2,G为第G代时种群个体之间的作用势能。
其中,εd为进化到第G代时种群个体向量之间的维差距;ε0为分子间的临界距离。
(7)种***叉。将外层种群的变异向量Yi,G+1与目标向量Xi,G的各维分量进行随机重组,产生新向量Zi,G+1:
其中,R为[0,1]之间的随机数;CR为交叉因子;zi,d为新向量Zi,G+1第i个个体d维数据;xi,d为第i个种群个体d维数据;yi,d为变异向量第i个个体d维数据。
(8)种群校核。变异交叉操作后部分种群个体可能会出现越界的情况,按下式进行校核。
(9)种群选择。计算校核后的外层种群目标函数值,此时需要再次进入内层规划模型中进行寻优,方法参考步骤(3),最后按照下式做出贪婪选择。
(10)若G<Gmax,则返回到步骤(5),进入下一次循环;否则终止寻优过程,输出外层目标的最优值以及相应的光伏电源最佳规划方案。
本实施例一种分布式光伏规划***,包括:
数据获取模块,用于获取配电网***参数;
计算模块,与所述数据获取模块连接,将所述电网***参数代入预先建立的双层规划模型采用分子微分进化算法进行求解,以求解结果作为规划方案。
其中,所述双层规划模型包括外层规划模型和内层规划模型,所述外层规划模型为以投资者对分布式光伏电源的年净收益最大为目标,所述内层规划模型以分布式光伏电源的年消纳率最大为目标。
本实施例中计算模块采用分子微分进化算法进行求解,包括种群变量初始化、内外层数据转换、种群变异子、种***叉、种群校核与选择;所述种群变量初始化对外层规划模型中的种群变量即光伏电源的安装容量进行初始化;所述内外层数据转换将外层规划模型中的光伏电源安装容量值传递到内层,计算出种群个体每个场景对应的消纳量然后传递回外层规划模型;所述种群变异对每个目标向量进行变异,产生变异向量;所述种***叉将外层种群的变异向量目标向量的各维分量进行随机重组,产生新向量;所述种群校核与选择用于变异交叉后的校核和外层种群目标函数值的寻优。内层规划型块通过对光伏电源上网有功出力的优化削减,计算确定各光伏电源的最优出力值;外层规划模型用于计算光伏电源年净收益目标值。
本实施例中数据获取模块获取配电网***的参数。
Claims (10)
1.一种分布式光伏规划方法,其特征在于,所述方法获取配电网***参数;将所述电网***参数代入预先建立的双层规划模型,采用分子微分进化算法进行求解,以求解结果作为规划方案;其中所述双层规划模型包括外层规划模型和内层规划模型,所述外层规划模型为以投资者对分布式光伏电源的年净收益最大为目标,所述内层规划模型以分布式光伏电源的年消纳率最大为目标。
2.根据权利要求1所述的一种分布式光伏规划方法,其特征在于,采用分子微分进化算法对所述双层规划模型求解的步骤如下:
(1)取配电网***线路参数,以及预设周期的负荷和光照强度数据;采用所述改进K-均值聚类法对全年的“负荷-光照强度”场景进行缩减,得到缩减后指定数量场景的负荷和光照强度数据及其对应的概率;
(2)设置外层分子微分进化算法的基本参数,其中包括种群的规模NP、维度D,最大迭代次数Gmax、分子间的临界距离r0、变异因子F以及交叉因子CR,令外层进化代数G=0;对外层规划模型中的种群变量即光伏电源的安装容量进行初始化,初始种群为其中的第i个种群个体表示为Xi=[xi,1,xi,2,…,xi,D],第i个个体各维的数据随机产生:
其中,d=1,2,…,D;randi(·)为产生均匀分布的随机整数函数;而L则为分布式光伏电源的单位额定容量;xd,max为第d维数据的最大值,xd,min为第d维数据的最小值;
(3)将外层规划模型中的光伏电源安装容量值传递到内层,设置内层分子微分进化算法的基本参数,参数类型与外层相同;求解内层规划模型中内层目标函数的最大值;最后计算出种群个体每个场景对应的消纳量然后传递回外层规划模型;
(4)根据外层光伏电源的初始容量并结合内层中求解的光伏消纳量计算外层规划模型的初始目标函数值;
(5)计算G=G+1,对外层种群进行变异、交叉以及校核操作更新种群;
(6)若G<Gmax,则返回进入下一次循环;否则终止寻优过程,输出外层目标的最优值以及相应的光伏电源最佳规划方案。.
3.根据权利要求2所述的一种分布式光伏规划方法,其特征在于,所述对外层种群进行变异、交叉以及校核操作更新种群的步骤如下:
(1)种群变异,根据构造的变异机制对每个目标向量Xi,G进行变异,产生变异向量Yi,G+1;
Yi,G+1=Xbest,G+F(Xr1,G-Xr2,G+Vr1,r2,G);
其中,Xbest,G为进化到第G代时种群的最优个体向量;Xr1,G、Xr2,G分别为第G代时的第r1、r2个个体向量,且i≠best≠r1≠r2;F为变异因子;Vr1,r2,G为第G代时种群个体之间的作用势能;
其中,εr1,r2,d为进化到第G代时种群个体向量之间的维差距;ε0为分子间的临界距离;νr1,r2,d为种群个体在d维度时的作用势能;
(2)种***叉,将外层种群的变异向量Yi,G+1与目标向量Xi,G的各维分量进行随机重组,产生新向量Zi,G+1;
其中,R为[0,1]之间的随机数;CR为交叉因子;zi,d为新向量Zi,G+1第i个个体d维数据;xi,d为第i个种群个体d维数据;yi,d为变异向量第i个个体d维数据;
(3)种群校核,变异交叉操作后部分种群个体可能会出现越界的情况,按下式进行校核:
(4)种群选择,计算校核后的外层种群目标函数值,此时需要再次进入内层规划模型中进行寻优,方法参考步骤(3),最后按照下式做出贪婪选择:
4.根据权利要求2所述的一种分布式光伏规划方法,其特征在于,所述采用改进K-均值聚类法对全年的“负荷-光照强度”场景进行缩减,采用如下步骤:
(1)假设用ωi(i=1,2,…,8760)表示缩减前全年不同时段的“负荷-光照强度”场景,ωi=[ωi,1,ωi,2],ωi,1、ωi,2分别表示为i时刻的负荷和光照强度值,K则为指定的缩减场景数;分别计算全年场景集中每个场景与剩余场景的距离di,j、每个场景的平均差异度Mi,ave和全年场景集的总体平均差异度Mave:
其中,j=1,2,….,8760,且i与j不相等;
(2)将平均差异度最大的场景为第一个聚类中心,并从全年场景集中删掉该场景;
(3)继续寻找剩余场景集中平均差异度最大的场景,作为待选聚类中心,计算其与已选取的聚类中心的距离,并将该场景从全年场景集中删除;
(4)如果步骤(3)中待选为聚类中心的场景与各个已选的聚类中心的距离均大于全年场景集的总体平均差异度,则将此场景作为聚类中心,否则返回到步骤(3);
(5)如果聚类中心数达到K,则将K个聚类中心存入聚类中心集合Tc={ωk}(k=1,2,…,K),否则返回到步骤(3);
(6)在得到聚类中心集合Tc后,接下来确定剩余场景的集合Tm={ωs}(s=1,2,…,8760-K),然后分别计算剩余各场景到各个聚类中心的距离,形成距离矩阵D:
D=D(ωs,ωk)=||ωs-ωk||;
(7)根据距离的大小将剩余各场景重新归类到距离自己最近的聚类中心,此时可以得到K个同类的场景聚类集合Ck(k=1,2,…,K);
(8)依次计算K个同类的场景聚类集合Ck中的每个场景与剩余场景的距离之和,然后以最小距离之和值对应的场景ωk为新的聚类中心;
(9)重复步骤(6)-(8),直到K个聚类中心不再变化为止,结束场景缩减过程;此时聚类后的每个场景概率为同类场景的概率之和。
5.根据权利要求1所述的一种分布式光伏规划方法,其特征在于,所述外层规划模型,其目标函数表示为:
其中,pi为场景i发生的概率;N为安装光伏电源的位置总数;rs、rz、rb分别表示为火电机组脱硫电价、用户购电电价以及国家补贴电价;Psj,i、Pzj,i分别表示为i场景下位置j处上网的光伏电量和供给用户的光伏电量;Sj为光伏电源在位置j处安装的额定容量值;C0为单位安装容量成本;γ0为折现率;n为光伏电源使用寿命;μ0为运行维护率;
外层规划模型的约束条件为分布式光伏电源安装容量约束为:
Sj,min≤Sj≤Sj,max
其中,Sj,min、Sj,max分别表示为位置j处所安装光伏电源容量的下限和上限。
6.根据权利要求1所述的一种分布式光伏规划方法,其特征在于,所述内层规划模型,在外层光伏电源容量确定的基础上,考虑配电网运行约束条件,以光伏年消纳率最大化为目标对光伏电源上网有功出力进行优化削减,由此确定各光伏电源的最优出力值,并传递回外层规划模型用于计算光伏电源年净收益目标值;
所述内层规划模型的目标函数表示为:
其中,Pxj,i表示为i场景下位置j处的光伏电源上网的有功出力削减量;PGj,i为i场景下位置j处的光伏电源的有功功率,采用如下计算方法计算PGj,i:
其中,Ei为i场景下的光照强度,ES为额定光照强度;Sj为光伏电源在位置j处安装的额定容量值;
所述内层规划模型的约束条件表示为:
(1)配电网***潮流方程等式约束:
其中,Pj,i、Qj,i分别为i场景下位置j处注入的有功出力和无功出力;Uj,i为i场景下位置j处的电压值;Uk,i分别为i场景下位置k处的电压值;NL为配电网节点总数;Gj,k表示为配电网位置j和位置k之间的电导值;Bj,k表示为配电网位置j和位置k之间的电纳值;δj,k为位置j和位置k之间的电压相角差;
(2)配电网***电压约束:
Uj,min≤Uj,i≤Uj,max
其中,Uj,min、Uj,max分别为位置j处电压允许值的下限和上限;
(3)配电网导线支路传输电流约束:
Il,i≤Il,max,l∈Ω
其中,Il,i为i场景下第l条支路流过的电流;Ω为配电网***线路的集合;Il,max为第l条支路允许流过电流的最大值;
(4)光伏电源上网的有功出力削减量约束:
0≤Pxj,i≤PGj,i-PLj,i
其中,PLj,i分别为i场景下位置j处的有功负荷;
(5)配电网反向潮流约束:
其中,PD,i、QD,i分别表示为i场景下位置j之后的有功功率和无功功率;QGj,i表示为i场景下位置j处的光伏电源的无功功率;Qxj,i表示为i场景下位置j处的光伏电源的无功出力削减量;QLj,i分别为i场景下位置j处的无功负荷。
7.一种分布式光伏规划***,其特征在于,所述***包括:
数据获取模块,用于获取配电网***参数;
计算模块,与所述数据获取模块连接,将所述电网***参数代入预先建立的双层规划模型采用分子微分进化算法进行求解,以求解结果作为规划方案;
其中,所述双层规划模型包括外层规划模型和内层规划模型,所述外层规划模型为以投资者对分布式光伏电源的年净收益最大为目标,所述内层规划模型以分布式光伏电源的年消纳率最大为目标。
8.根据权利要求7所述的一种分布式光伏规划***,其特征在于,所述计算模块采用分子微分进化算法进行求解,包括种群变量初始化、内外层数据转换、种群变异、种***叉、种群校核与选择;所述种群变量初始化对外层规划模型中的种群变量即光伏电源的安装容量进行初始化;所述内外层数据转换将外层规划模型中的光伏电源安装容量值传递到内层,计算出种群个体每个场景对应的消纳量然后传递回外层规划模型;所述种群变异对每个目标向量进行变异,产生变异向量;所述种***叉将外层种群的变异向量目标向量的各维分量进行随机重组,产生新向量;所述种群校核与选择用于变异交叉后的校核和外层种群目标函数值的寻优。
9.根据权利要求7所述的一种分布式光伏规划***,其特征在于,所述内层规划模型通过对光伏电源上网有功出力的优化削减,计算确定各光伏电源的最优出力值;所述外层规划模型用于计算光伏电源年净收益目标值。
10.根据权利要求7所述的一种分布式光伏规划***,其特征在于,所述数据获取模块获取配电网***参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811019913.2A CN109193754B (zh) | 2018-09-03 | 2018-09-03 | 一种分布式光伏规划方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811019913.2A CN109193754B (zh) | 2018-09-03 | 2018-09-03 | 一种分布式光伏规划方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109193754A true CN109193754A (zh) | 2019-01-11 |
CN109193754B CN109193754B (zh) | 2021-10-19 |
Family
ID=64917876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811019913.2A Active CN109193754B (zh) | 2018-09-03 | 2018-09-03 | 一种分布式光伏规划方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109193754B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110266010A (zh) * | 2019-05-30 | 2019-09-20 | 武汉大学 | 直流配电网网架结构与分布式光伏多目标协同优化方法 |
CN112234615A (zh) * | 2020-10-09 | 2021-01-15 | 国网青海省电力公司 | 新能源发展协同效率的计算方法和*** |
CN112884276A (zh) * | 2021-01-14 | 2021-06-01 | 华南理工大学 | 一种分布式光伏容量多目标优化规划方法 |
CN113690916A (zh) * | 2021-09-24 | 2021-11-23 | 广东电网有限责任公司 | 基于时序生产模拟的直流电网储能配置方法、设备及介质 |
CN118157231A (zh) * | 2024-05-11 | 2024-06-07 | 国网浙江省电力有限公司 | 基于光伏集群划分的提高光伏集群功率预测精度的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301470A (zh) * | 2017-05-24 | 2017-10-27 | 天津大学 | 一种配电网扩展规划与光储选址定容的双层优化方法 |
CN107834540A (zh) * | 2017-10-17 | 2018-03-23 | 国网宁夏电力公司固原供电公司 | 一种基于概率约束的分布式光伏接入容量的确定方法 |
-
2018
- 2018-09-03 CN CN201811019913.2A patent/CN109193754B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301470A (zh) * | 2017-05-24 | 2017-10-27 | 天津大学 | 一种配电网扩展规划与光储选址定容的双层优化方法 |
CN107834540A (zh) * | 2017-10-17 | 2018-03-23 | 国网宁夏电力公司固原供电公司 | 一种基于概率约束的分布式光伏接入容量的确定方法 |
Non-Patent Citations (2)
Title |
---|
周楠 等: "基于需求响应的光伏微网储能***多目标容量优化配置", 《电网技术》 * |
邱碧丹 等: "主动配电网中分布式光伏发电的优化配置研究", 《水电能源科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110266010A (zh) * | 2019-05-30 | 2019-09-20 | 武汉大学 | 直流配电网网架结构与分布式光伏多目标协同优化方法 |
CN112234615A (zh) * | 2020-10-09 | 2021-01-15 | 国网青海省电力公司 | 新能源发展协同效率的计算方法和*** |
CN112884276A (zh) * | 2021-01-14 | 2021-06-01 | 华南理工大学 | 一种分布式光伏容量多目标优化规划方法 |
CN113690916A (zh) * | 2021-09-24 | 2021-11-23 | 广东电网有限责任公司 | 基于时序生产模拟的直流电网储能配置方法、设备及介质 |
CN118157231A (zh) * | 2024-05-11 | 2024-06-07 | 国网浙江省电力有限公司 | 基于光伏集群划分的提高光伏集群功率预测精度的方法 |
CN118157231B (zh) * | 2024-05-11 | 2024-07-05 | 国网浙江省电力有限公司 | 基于光伏集群划分的提高光伏集群功率预测精度的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109193754B (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109193754A (zh) | 一种分布式光伏规划方法及*** | |
WO2018077016A1 (zh) | 一种基于价值网络的储能***调度优化方法 | |
CN109948868A (zh) | 高渗透率分布式可再生能源发电集群优化规划方法 | |
CN107679658A (zh) | 一种高比例清洁能源接入下的输电网规划方法 | |
CN109886468A (zh) | 基于改进的自适应遗传算法的充电站规划方法 | |
CN105279615A (zh) | 一种基于双层规划的主动配电网网架规划方法 | |
Li et al. | An interactive decision-making model based on energy and reserve for electric vehicles and power grid using generalized stackelberg game | |
CN115018534A (zh) | 考虑跨区联络线约束的分区电力容量市场模型设计和定价方法 | |
CN104200263A (zh) | 一种基于禁忌差分进化和gis的配电网络线路规划方法 | |
CN110222938A (zh) | 一种梯级水电站群短期调峰调度协同优化方法和*** | |
CN102420432A (zh) | 基于电网实时数据的实用化分层分区无功优化方法 | |
CN106786801B (zh) | 一种基于竞价均衡的微电网运行方法 | |
CN109636043A (zh) | 一种梯级水电***发电调度自适应优化方法与*** | |
CN110535118A (zh) | 基于改进递归有序聚类的有源配电网多时段动态重构方法 | |
CN109598377A (zh) | 一种基于故障约束的交直流混合配电网鲁棒规划方法 | |
CN115719149B (zh) | 一种基于区块链的分布式光伏配储方法 | |
He et al. | Biobjective Optimization‐Based Frequency Regulation of Power Grids with High‐Participated Renewable Energy and Energy Storage Systems | |
Zhang et al. | Decentralized optimization of multiarea interconnected traffic-power systems with wind power uncertainty | |
CN108767855A (zh) | 一种时序持续混合的电力***随机生产模拟方法 | |
CN106485395A (zh) | 一种考虑配电网网损和扩容成本的分布式电源配置方法 | |
CN111881626B (zh) | 一种促进dg消纳的配电网规划方法 | |
CN105354626A (zh) | 一种双层电力经济调度快速优化方法 | |
CN104993503A (zh) | 一种孤岛微电网频率控制方法 | |
CN115713437B (zh) | 一种基于区块链的能源集中交易管理*** | |
CN103729739B (zh) | 基于psd-bpa的上下级电网运行方式网络模型整合*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |